lda分析前的文本预处理卡住了（上个帖子代码复制漏了重新发）

roro0209

import os
import pandas as pd
import re
import jieba
import jieba.posseg as psg   #导入lda分析需要的一系列包

output_path = 'D:/文本挖掘'  #把结果输出到该路径下
file_path = 'C:/Users/m/Desktop' #数据所在路径
os.chdir(file_path)
data=pd.read_excel("数据2.xlsx")#content type
os.chdir(output_path)
dic_file = "D:/自然语言处理/dict.txt"    #字典路径
stop_file = "D:/自然语言处理/stopwords.txt" #停用词路径

def chinese_word_cut(mytext):   #对数据进行中文分词
    jieba.load_userdict(dic_file)
    jieba.initialize()
    try:
        stopword_list = open(stop_file,encoding ='utf-8')  #防止出现乱码错误，故指定编码类型为'utf-8'
    except:
        stopword_list = []
        print("error in stop_file")
    stop_list = []
    flag_list = ['n','nz','vn']
    for line in stopword_list:
        line = re.sub(u'\n|\\r', '', line)
        stop_list.append(line)
   
    word_list = []
    #jieba分词
    seg_list = psg.cut(mytext)
    for seg_word in seg_list:
        word = re.sub(u'[^\u4e00-\u9fa5]','',seg_word.word)
        word = seg_word.word  #如果想要分析英语文本，注释这行代码，启动下行代码
        find = 0
        for stop_word in stop_list:
            if stop_word == word or len(word)<2:     #this word is stopword
                    find = 1
                    break
        if find == 0 and seg_word.flag in flag_list:
            word_list.append(word)      
    return (" ").join(word_list)
data["content_cutted"] = data.content.apply(chinese_word_cut)
#使用apply函数不断调用以上函数批量处理全部文本（正文）信息
data.content_cutted.head()
#查看文本是否已被正确分词

FishC

看起来你的代码在进行中文分词时卡住了，我看到可能有几个地方出了问题。

首先，你没有把要分词的文本传递给`chinese_word_cut`函数。你需要在调用函数的时候，传递一个参数，例如：

1. python
   
2. text = "这是要进行分词的文本"
   
3. chinese_word_cut(text)

复制代码

其次，你需要确保你的字典文件`dict.txt`和停用词文件`stopwords.txt`存在，并且路径正确。如果文件不存在或路径错误，程序会出现错误。

第三，当你打开停用词文件时，你使用了`open(stop_file,encoding ='utf-8')`，但是你没有提供`except`后面的代码。你需要编写处理打开文件失败的错误处理代码。

最后，你创建了一些空列表，但是没有给它们赋值。你需要在循环中将数据添加到这些列表中：

1. python
   
2. stop_list = []
   
3. flag_list = []
   
4. word_list = []
   
5. 
   
6. # 在循环中添加数据到列表
   
7. for seg_word in seg_list:
   
8.     word = re.sub(u'','',seg_word.word)
   
9.     word = seg_word.word
   
10.     find = 0
    
11.     for stop_word in stop_list:
    
12.         if stop_word == word or len(word) < 2:
    
13.             find = 1
    
14.             break
    
15.     if not find:
    
16.         word_list.append(word)
    
17.         flag_list.append(seg_word.flag)

复制代码

希望这些解决方案能够帮助到你！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

roro0209

FishC 发表于 2024-3-22 08:53
看起来你的代码在进行中文分词时卡住了，我看到可能有几个地方出了问题。

首先，你没有把要分词的文本传 ...

没用，运行还是卡住了

FishC

roro0209 发表于 2024-03-22 09:38
没用，运行还是卡住了

很抱歉你还是遇到了问题。如果你的代码还是卡住了，可能有几个原因：

1. 数据量过大：如果你的文本数据非常大，可能会导致分词过程运行时间很长甚至卡死程序。你可以尝试使用一个小一些的数据集来测试代码是否正常工作。

2. 字典和停用词文件的格式问题：请确保`dict.txt`和`stopwords.txt`文件的格式正确。尤其要注意文件编码是否和代码中指定的一致（比如都是UTF-8）。

3. Jieba分词库版本问题：你可以尝试更新Jieba分词库的版本。可以使用`pip install -U jieba`命令来更新分词库。

4. 内存不足：如果你的计算机内存较小，处理大量文本时可能出现内存不足的情况。你可以尝试分批处理文本，而不是一次性加载所有文本数据。

如果以上方法都不起作用，我建议你在代码中添加一些打印语句来进行调试，找出代码卡住的具体位置。例如，在`chinese_word_cut`函数中添加一些打印语句，输出每个步骤的结果，以及卡住的位置。

希望这些提示能帮助你解决问题！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。